CN110223344A - 一种基于形态学和视觉注意机制的红外小目标检测方法 - Google Patents

Abstract

本发明属于目标检测技术领域，具体涉及一种基于形态学和视觉注意机制的红外小目标检测方法。本发明包括以下步骤：利用形态学方法进行图像增强；利用利用高斯差分DoG滤波器对增强后图像进行处理；将高斯滤波后的目标周围区域分为A0、A1和A2三部分，并统计各区域之间的亮度关系，如果其像素亮度关系满足草帽型分布，则将该区域标记为候选目标区域，并记录区域的大小；根据A0、A1、A2之间的亮度关系以及A0区域的大小，对候选区域做进一步增强处理；经过上述处理之后，将图像矩阵亮度最大值的位置记作红外小目标位置。本发明能够自动判别红外小目标的大小，在增强小目标的同时抑制复杂背景杂波干扰。

Description

一种基于形态学和视觉注意机制的红外小目标检测方法

技术领域

本发明属于目标检测技术领域，具体涉及一种基于形态学和视觉注意机制的红外小目标检测方法。

背景技术

由于环境场景复杂、地域跨度大、远距离成像等原因往往使得采集的红外图像目标具有如下特点：目标尺寸小、缺乏纹理和形状信息、易受背景干扰，易被杂波淹没，红外图像目标的尺寸通常小于80个像素。因此，亟需研究复杂背景下红外弱小目标的有效检测技术。

红外小目标检测通常包括预处理阶段和目标检测阶段。预处理方法分为基于背景特性的图像预处理和基于目标特性的图像预处理。其中基于背景特性的预处理方法具体主要包括空域滤波、时域滤波及变换域滤波。基于目标特性的图像预处理方法包括奇异值分解、小波变换和自适应滤波技术等。在单帧图像预处理完成后，采用最大类间方差法、直方图阈值法、迭代法、最大熵法等阈值分割算法分离目标和背景。随着技术不断发展，数学形态学理论、模糊理论、遗传算法等也广泛应用于红外小目标检测领域。

虽然研究者提出了众多红外小目标检测技术，但是现有方法仍然不能很好地从复杂背景中检测出红外小目标。

发明内容

本发明的目的在于解决现有方法不能很好地从复杂背景中检测出红外小目标的问题，为此，本发明提出一种基于形态学和视觉注意机制的红外小目标检测方法。本发明首先使用形态学方法和高斯差分DoG滤波对小目标进行初步增强；然后根据视觉注意机制进一步增强小目标，使得小目标成为图像中最显著的区域。该方法能够有效检测红外弱小目标。

本发明的目的是这样实现的：

一种基于形态学和视觉注意机制的红外小目标检测方法，包括以下步骤：

(1)利用形态学方法进行图像增强；

(2)利用利用高斯差分DoG滤波器对增强后的图像进行处理；

(3)将高斯滤波后的目标周围区域分为A0、A1和A2三部分，并统计各区域之间的亮度关系，如果其像素亮度关系满足草帽型分布，则将该区域标记为候选目标区域，并记录区域的大小；

(4)根据A0、A1、A2之间的亮度关系以及A0区域的大小，对候选区域做进一步增强处理；

(5)经过上述处理之后，将图像矩阵亮度最大值的位置记作红外小目标位置。

本发明的有益效果在于：

a.自动判别红外小目标的大小；

b.增强小目标的同时抑制复杂背景杂波干扰。

附图说明

图1为本发明区域划分图；

图2为本发明实验结果图，其中图2(a)为一幅包含红外小目标的原始图像，图2(b)为原始图像的灰度分布图，图2(c)为使用本方法增强后的图像灰度分布图。

具体实施方式

下面结合附图对本发明进一步详细说明。

设I为含有红外小目标的图像矩阵，其尺寸为H×W像素，I(i,j)表示(i,j)位置处图像的亮度。本发明的具体实现步骤如下：

步骤1，对图像I作形态学白顶帽变换和形态学黑顶帽变换，分别得到变换后的图像矩阵WT和BT。

步骤2，根据下式计算矩阵ef。

ef(i，j)＝a×I(i，j)+β×WT(i，j)-y×BT(i，j)

其中，α，β，γ为正数，且α≤1，β≥1，γ≥1，i＝1,2,···,H，j＝1,2,···,W。

步骤3，令矩阵ef的均值为T_h。

步骤4，取出矩阵ef中大于T_h的元素组成矩阵Tar，取出矩阵ef中小于T_h的元素组成矩阵Bac。

步骤5，根据下式计算新阈值T_n：

其中，mean_up和mean_down分别为矩阵Tar和矩阵Bac的均值，diff＝mean_up-mean_down

f(diff)＝log₁₀(10+ε×diff)，ε是与图像均值有关的参数，取值范围为[0，10]。

步骤6，判断T_h和T_n是否相等，如果不相等则令T_h＝T_n，并跳转到步骤4。若相等，则继续进行步骤7。

步骤7，根据下式计算经过DoG增强之后的图像矩阵ism0：

ism0＝G(Tar，0.5)-G(Tar，1)

其中，G(Tar，a)表示对图像Tar做高斯滤波，参数a为标准差。

步骤8，按照下式计算阈值th：

th＝mu0+std0

其中，mu0和std0分别为图像矩阵ism0的均值和标准差。

步骤9，遍历图像ism0，找到候选目标区域。设点(r，c)为当前被遍历的像素位置，且r＝1，2...，H，c＝1，2，...W。按照图1进行区域划分，具体的候选目标区域计算方法如下：

1)令L＝1，2，...5。A0表示以(r，c)为中心的目标区域，其大小为(2L+1)×(2L+1)；A1为与A0区域相邻1个像素的外围区域；A2为与A1相邻1个像素的外围区域。

2)统计各区域的亮度均值。令mean_A0，mean_A1和mean_A2分别为区域A0、A1和A2的像素亮度均值。

3)若mean_A0＞mean_A2，且mean_A2＞mean_A1，则标记以(r，c)为中心的(2L+1)×(2L+1)区域为候选目标区域。

步骤10，对于各个候选目标区域，考察其相对应的A2区域，统计A2中像素值大于mean_A0的元素的个数，并令其为d02。

步骤11，对于各个候选目标区域，考察其相对应的A2区域和A1区域，比较A2与A1行向相邻或者列向相邻元素的亮度值，并统计A2中元素亮度值大于A1中对应元素亮度值的元素个数，并令其为d12。

步骤12，根据以下公式对d02和d12做归一化处理。

d02＝d02/(8×L+28)

d12＝d12/(8×L+12)

步骤13，若d02＞0.9且d12＞0.5，则按照下式计算最终的增强图像矩阵iFinal：

否则按照下式计算增强图像矩阵iFinal。

iFinal(r，c)＝min(d02，d12)²×ism0(r，c)×Tar(r，c)

其中，max(.)为取最大值函数，min(.)为取最小值函数。

步骤14，利用下式对图像矩阵iFinal做进一步增强。

iFinal(i，j)＝iFinal(i，j)×iFinal(i，j)

其中，i＝1，2，…，H，j＝1，2，…，W。

步骤15，矩阵iFinal中亮度值最大的像素即为小目标。

实验结果如图2所示，图2(a)显示了一幅包含红外小目标的原始图像，图2(b)显示原始图像的灰度分布图，图2(c)显示用本方法增强后的图像灰度分布图。比较图2(b)和图2(c)可知，本方法可以检测出复杂背景下的红外小目标。

本发明属于目标检测技术领域，具体涉及一种基于形态学和视觉注意机制的红外小目标检测方法。本发明主要包括以下步骤：利用形态学方法进行图像增强；利用利用高斯差分DoG滤波器对增强后的图像进行处理；将高斯滤波后的目标周围区域分为A0、A1和A2三部分，并统计各区域之间的亮度关系，如果其像素亮度关系满足草帽型分布，则将该区域标记为候选目标区域，并记录区域的大小；根据A0、A1、A2之间的亮度关系以及A0区域的大小，对候选区域做进一步增强处理；经过上述处理之后，将图像矩阵亮度最大值的位置记作红外小目标位置。本发明能够自动判别红外小目标的大小，在增强小目标的同时抑制复杂背景杂波干扰。

Claims (1)

1.一种基于形态学和视觉注意机制的红外小目标检测方法，其特征在于，包括以下步骤：

(1)利用形态学方法进行图像增强；

(2)利用利用高斯差分DoG滤波器对增强后图像进行处理；

(3)将高斯滤波后的目标周围区域分为A0、A1和A2三部分，并统计各区域之间的亮度关系，如果其像素亮度关系满足草帽型分布，则将该区域标记为候选目标区域，并记录区域的大小；

(4)根据A0、A1、A2之间的亮度关系以及A0区域的大小，对候选区域做进一步增强处理；

(5)经过上述处理之后，将图像矩阵亮度最大值的位置记作红外小目标位置。